当前位置：首页 > news >正文

Spring AI如何调用本地部署的大模型

news 2025/11/4 14:01:56

Spring AI 调用本地部署的大模型主要通过集成 Ollama（本地大模型运行框架）实现，结合 Spring Boot 的模块化设计提供企业级调用支持。以下是详细步骤和实现原理：

一、环境准备

1. 部署 Ollama 服务

从 Ollama 官网下载并安装本地服务。
启动 Ollama 服务后，通过命令行拉取模型（如 ollama pull llama3 或 ollama pull deepseek-r1:7b）。
验证服务可用性：访问 http://localhost:11434，确认接口响应正常。

2. Docker 容器化部署（可选）

通过 Docker 简化环境配置，例如：

docker run -d -p 11434:11434 --name ollama ollama/ollama:0.6.2
docker exec -it ollama ollama pull deepseek-r1:7b  # 拉取模型

此方式适合需要隔离环境或使用 GPU 加速的场景。

二、Spring Boot 项目配置

1. 添加依赖

在 pom.xml 中引入 Spring AI 的 Ollama 模块：

<dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-ollama-spring-boot-starter</artifactId><version>1.0.0-M6</version>
</dependency>

同时需依赖 Spring Boot 3.2.x 或更高版本。

2. 配置 Ollama 连接

在 application.yml 中指定模型服务地址和默认模型：

spring:ai:ollama:base-url: http://localhost:11434  # Ollama 服务地址chat:model: deepseek-r1:7b           # 默认调用的模型名称

此配置使 Spring AI 自动注入 OllamaChatClient。

三、代码实现

1. 定义 Controller

创建 REST 接口接收请求并转发至大模型：

@RestController
public class OllamaController {@Autowiredprivate OllamaChatClient chatClient;// 普通文本调用@GetMapping("/ai/chat")public String chat(@RequestParam String message) {Prompt prompt = new Prompt(message);return chatClient.call(prompt).getResult().getOutput().getContent();}// 流式调用（适用于实时对话）@GetMapping("/ai/chat/stream")public Flux<String> streamChat(@RequestParam String message) {Prompt prompt = new Prompt(message);return chatClient.stream(prompt).map(response -> response.getResult().getOutput().getContent());}
}

流式调用通过 Flux 返回逐句生成的文本，适合需要实时响应的场景。

2. 自定义提示词与参数

通过 Prompt 对象支持复杂交互：

SystemPromptTemplate systemPromptTemplate = new SystemPromptTemplate("你是一个专业的助手");
Message systemMessage = systemPromptTemplate.createMessage(Map.of("prompt", "请用中文回答"));
Prompt prompt = new Prompt(List.of(new UserMessage(message), systemMessage));

可结合 SystemPromptTemplate 控制模型输出格式。

四、高级功能与优化

1. 连续对话支持

使用 Redis 缓存上下文信息，实现多轮对话：

@Autowired
private RedisTemplate<String, String> redisTemplate;public String chatWithContext(String sessionId, String message) {String history = redisTemplate.opsForValue().get(sessionId);String fullMessage = history + "\nUser: " + message;// 调用模型并更新缓存redisTemplate.opsForValue().set(sessionId, fullMessage);return chatClient.call(new Prompt(fullMessage)).getResult().getOutput().getContent();
}